一种型号专用电源转换器快速检定系统的研制

阐述了依据Q/W 892A-2007《电源转换器检定规程》研制的型号专用电源转换器快速检定系统。通过研制专用拔出力检定装置和多功能智能转换开关,实现由PC机通过系统软件自动控制测试仪器进行检定以及检定结果的处理,并自动生成原始记录和证书报告。系统具有自动、智能等优点,能够实现电源转换器的快速检定。经应用,降低了劳动强度,节省了时间,提高了检定效率。     

从马克思主义的实践观论人的全面发展

从马克思主义实践观出发,通过分析实践和人的发展的深层关系来找到人的全面发展的现实根源,从而在社会实践中,不断促进人的发展。     

基于双框架控制力矩陀螺的航天器动量管理

为减小维持大型航天器的姿态稳定和降低能量消耗的动量管理中的扰动力矩对姿态稳定的干扰,设计了周期性抑制滤波器。姿态控制的执行机构采用双框架控制力矩陀螺群（DGCMGs）,应用KENNEL操纵率,使航天器执行机构的角动量在本体系的x轴分量和偏航角可达稳定,同时角动量在本体系的z轴分量和滚转角可在较小的范围内振荡。数值仿真结果验证了方案的可行性。     

参与式案例教学法在《安全管理实务》中的应用

结合教学实践,针对安全管理实务课程内容和特点,提出参与式案例教学方法。该方法给学生提供了一个宽松、平等、积极的环境,有利于提高学生参与教学的积极性,有助于学生在参与过程中灵活运用所学知识、技能,有助于提高学生解决实际问题的能力和综合素质,培养团队合作意识,提高就业竞争力。     

二维三角晶格的Peierls相变前后的声子色散曲面的研究

利用晶格动力学理论计算了二维三角晶格的Peierls相变前后的声子能谱。并且在第一布里渊区绘制了声子色散曲面。通过对Peierls相变前后的声子能谱比较可知，随其对称性降低，声子能谱的简并度被破缺。二维三角晶格的Peierls相变前只有两支声频支声子能谱，Peierls相变后有两支声频支声子能谱与两支光频支声子能谱，并且声频支声子能谱与光频支声子能谱不相交，两支光频支声子沿ky轴平缓地变化。     

基于Java语言的GIS系统在电信网管系统中的开发应用

随着计算机和通信业的迅速发展,人们对电信网络管理系统的要求越来越高,不仅需要拓扑图的显示,还要求系统能进行快速的故障定位,所以要求网管系统能与GIS系统结合.本文介绍了基于java语言的GIS系统的开发过程,及如何将GIS集成到综合电信网管系统中,并就实际开发中出现的问题提出相应的解决方案.     

对广东计量检测市场的考察与思考

通过对广东省计量校准机构的考察，从市场观念、管理运行机制、高质量的综合服务、高效率、高效益等方面做了深入的分析与思考，总结出广东同行走在全国前列的原因和成功的经验，同时也指出我们的差距和在市场经济竞争中潜在的生存危险。     

小攻角高超声速钝锥边界层内扰动演化的数值模拟

首先从有限差分格式出发,给出了基本无振荡的高阶激波捕捉格式,然后,采用数值模拟方法对马赫数为6的2°攻角高超声速钝锥边界层的稳定性进行了研究。计算发现,由于攻角的存在,钝锥的稳定性特征与零攻角时有本质的差别,比如背风面的扰动比迎风面增长更快,但扰动增长最慢的地方并不是迎风面,而是侧面的某个位置;又比如背风面主要是长波起作用,迎风面和侧面主要是短波起作用;斜模式不稳定在整个钝锥边界层中起最主要作用。     

基于自适应深度网络的无人机目标跟踪算法

针对无人机（UAV）视频中目标易受到遮挡、形变、复杂背景干扰等问题，提出一种基于自适应深度网络的无人机目标跟踪算法。首先，基于主成分分析（PCA）和卷积神经网络（CNN）算法，设计3阶的自适应深度网络进行目标特征提取，该网络对图像的H、S、I通道分别进行主成分分析学习，将得到的特征向量输入网络进行分层卷积，优化了网络结构，提高了网络的收敛速度和精度。其次，将目标深度特征输入核相关滤波算法进行目标跟踪，通过分析相邻2帧图像的变化率，采用分段自适应调整学习率的算法进行目标模板更新，有效地改善目标遮挡问题。仿真实验结果表明，该算法有效地避免了复杂因素干扰导致的跟踪精度下降，具有较好的鲁棒性，相较于全卷积跟踪（FCNT）算法平均跟踪精度提高了9.62%，平均跟踪成功率提高了11.9%。     

结构自适应序贯正则极端学习机时间序列预测及其应用

为提高初始小样本情况下时间序列在线预测的精度,提出了一种结构自适应序贯正则极端学习机(SA-SRELM)。该方法在在线序贯学习阶段,针对不同训练样本规模选择不同的递推方式对输出权值进行更新;同时,在训练样本达到一定规模后,为提高预测模型对系统的动态适应性,在加入新样本的同时对旧样本进行剔除,完成预测模型的训练。利用3种混沌时间序列预测实例对所提方法的有效性进行了验证。最后,将所提方法用于航空发动机排气温度预测中,结果表明该方法相对正则极端学习机(RELM)和序贯正则极端学习机(SRELM)方法具有更好的泛化性能,预测精度分别是二者的约6倍和2倍。